AIの活用方法は8分類 予測系AI(代行型・拡張型)を使いこなすためには?

AIの活用方法は8分類 予測系AI(代行型・拡張型)を使いこなすためには?

はじめに

文系の皆さんがAI人材になるためのノウハウを投稿していきます。今回はAIの活用方法8分類のうち予測系AI(代行型・拡張型)について解説します。

活用タイプ別AIは4×2=8分類

AIは機能別に分類すると4タイプ、役割別に分類すると2タイプに分けられます。つまり

機能別4タイプ×役割別2タイプ=活用タイプ別AI8分類

となります。

機能別4タイプ

まずAIを機能別4タイプに分けます。人の脳の機能にそって次のように整理することができます。

人の脳は複数の部位によって成り立っています。頭頂葉や側頭葉、前頭葉、後頭葉、小脳、脳幹などによって構成され、人のさまざまな機能が制御されています。それぞれの機能を大まかなグループで分けると、「見て認識する」「考えて予測する」「会話する」「身体(物体)を動かす」という4つになります。

脳のそれぞれの機能を模倣することでAIが発展してきているかのように、AIの分類も人の脳と同様に4つに分類することができるのです。

役割別2タイプ

また、AIと人との分業スタイルによって、AIは大きく2つのタイプに分かれます。人間の代行型と拡張型です。

  • 代行型
    人間ができることをAIが代わりに行なう
  • 拡張型
    人間ができないことをAIにょってできるようにする

機能別の識別系AI、予測系AI、会話系AI、実行系AIの4つを横に並べ、役割別の代行型と拡張型の2つを縦に並べて、4×2=8のマスに分けたのが以下の表になります。

このようにAIは活用タイプ別として4×2=8で分類することができます。

「予測系AI」はこう使う

予測系×代行型AIの活用例

予測系AIは「考えて予測する」AIです。「予測系×代行型AI」では、データから人が先の予測を行ない、判断を下していた作業をAIが代行します。具体的には次のような利用例があります。

  • ローンの審査(融資後の取引状況の予測)
  • ネットワーク監視
  • 発電所のデータによる異常値検知

※AI用いたローン審査の例)みずほ銀行AI事前診断

「予測系×代行型AI」は多くの業界で利用されますが、たとえばローンの審査を人間の代わりに行なう例がわかりやすいです。住宅ローン、金融ローン、企業への融資など、人や企業の取引状況やその他情報によって、これまでは担当スタッフが融資判断を行なっていた作業をAIが代行します。 ローン契約後に対象者がしっかり返済をしてくれる確率がどれくらいなのか、融資後に企業からの返済の滞りがないか、などをこれまで人間のデータ把握と過去の経験などにより判断していましたが、人の量と時間の両方がかかっていたのが課題でした。これをAIによって自動審査することができるのです。

また、携帯会社の通信ネットワークの状況を自動監視する事例もあります。携帯会社による通信は1時間以上通信の品質が低下したり止まったりすると、国から重大事故と認定されてしまうこともあり、深夜も含めた24時間、常に抜け漏れの許されない監視を行なう必要があります。

この仕事は人間が担ってきました。携帯電話網は大量で数万というサーパを対象に監視をしなければいけないのですが、これをAIによってムラなく状態検知することができるようになり、人が苦労していた仕事を代行してくれるようになったのです。また、発電所における電力の供給において、データの変化によって異常状態を発見していた作業をAIによって2時間体制で置き換える例もあります。

予測系×拡張型AIの活用例

「予測系×拡張型AI」を活用すると、人が予測しきれない複雑なことを高精度で予測できるようになります。予測系×代行型AIで紹介した例は、人間が時間を使うことによってある程度の精度で予測可能であるケースでした。一方で「予測系×拡張型AI」は人間が正確には予測しえない事象や対象について高精度予測を可能にすることになります。具体的には次のような利用例があります。

  • 顧客行動予測
  • 需要予測
  • 最適販売価格の設定
  • コールセンターの呼量予測
  • 離職者の予測

順客の行動はいつも複雑です。顧客は多様な価値観をもち、千差万別な状況にありますし、目に見える行動としても多種多様なバリエーションが存在します。たとえば「ECサイトに訪れた顧客がいっ何を購入するかを予測せよ」といわれても、顧客の傾向が多様すぎて、もはや人間は多くの顧客に対する的確な予測を出すことは非常に難しくなっています。

一方、AIは多様で複雑なインプットから、的確な予測を出すことがとても得意です。特にウェブサイトやスマホアプリは、顧客の行動が細かくデータ化されていますので、たとえばECサイトにこれまで訪れた人の行動傾向をAIに学習させ、1ヵ月後に買う顧客を予測したり、どの商品を買うかを予測させることが高い精度で可能になっています。

また、いつどれくらいのお客様が来場するか? いつ何がどれくらい売れるか? こうした需要予測と呼ばれるテーマもAIは非常に力を発揮します。過去の実績データや天気データ、祝日データや関連するイベントのデータなどから、日単位、週間単位、時に月間単位で、来場者数や販売数の予測を人間が行なうよりも高精度で実施します。スーパーや複合施設の来場者の予測や、特定商品の販売数の予測をAIにより行なうことによって、スタッフ配置を適切に行なったり、キャンペーンの企画を練り直したり、商品の仕入れ数を最適にすることができるようになります。

「どれくらいの人が何を買うか」が予測できるようになると、最適な価格設定ができるようにもなります。ダイナミックプライス(動的価格)といわれるものですが、各商品をいつの時期にいくらで売れば、売れ残らず、また利益が最大になる価格をAIが導き出すのです。また、「誰かいくらで買うのか」までわかると、顧客別の動的価格設定も可能になります。要予測に近い例として、コールセンターの呼量(コール数·問い合わせ数)の予測もあります。

コールセンターの呼量が高い精度で予測できれば、日々必要なスタッフの数を最適にして、人件費を抑えることができ、スタッフの休みの計画も立てやすくなります。また、コールセンターに限らずではありますが、離職者の予測を行なう事例もあります。離職率の高い分野において、できるだけ事前に離職予兆を把握して、サポートゃケアを行なうことで定着率を上げる取り組みがあります。離職者を予測するために必要な傾向データは職種によってまちまちですが、出動·遅刻状況の変化や会話内容におけるワード傾向、面接時の呼応内容などになります。

 

プログラミングカテゴリの最新記事